Motivation

In diesem Projekt untersuchen Sie, wie soziale Netzwerke – insbesondere Freundschaften – wirtschaftliche Chancen und sozialen Aufstieg beeinflussen. Dabei greifen Sie auf einen Datensatz von 70,3 Millionen Facebook Nutzern zurück, um das Konzept des Sozialkapitals besser zu verstehen. Ihr Ziel ist es, zu analysieren, wie stark Menschen aus unterschiedlichen sozioökonomischen Hintergründen miteinander vernetzt sind und welche Auswirkungen dies auf die wirtschaftliche Mobilität hat.

Fokus der Analyse
Das Projekt konzentriert sich auf zwei zentrale Aspekte sozialer Vernetzung:

Warum ist das relevant?
Eine zentrale Fragestellung des Projekts ist es, zu untersuchen, ob und in welchem Ausmaß soziale Netzwerke – insbesondere Freundschaften – zu wirtschaftlicher Mobilität beitragen. Frühere Studien deuten darauf hin, dass ein Mangel an sozialer Interaktion über Klassengrenzen hinweg mit geringeren Aufstiegschancen verbunden ist. Menschen, die stärker über soziale Schichten hinweg vernetzt sind, profitieren tendenziell von besseren wirtschaftlichen Perspektiven.

Doch der genaue Zusammenhang zwischen Sozialkapital und wirtschaftlicher Mobilität ist bisher nur teilweise verstanden. Ihr Projekt hat daher das Ziel, diesen Zusammenhang empirisch zu untersuchen und offenzulegen. Sie analysieren, inwiefern unterschiedliche Formen sozialer Vernetzung Chancen auf sozialen Aufstieg beeinflussen – oder behindern.

Datengrundlage

Für Ihre Analyse verwenden Sie reale Daten des Social Capital Atlas (https://www.socialcapital.org). Ihr Ziel ist es, herauszufinden:

Durch Ihre eigene Analyse decken Sie nicht nur bestehende Muster auf, sondern tragen auch dazu bei, neue Erkenntnisse darüber zu gewinnen, wie soziale Netzwerke Chancen für wirtschaftlichen Aufstieg verbessern können.

Einlesen

Dieses Projekt basiert auf öffentlich zugänglichen Facebook-Daten, welche die soziale Vernetzung auf County Ebene messen. Die zugrunde liegende Datenquelle wurde in den Studien von Chetty et al. (2022a, 2022b) detailliert beschrieben und liefert wichtige Einblicke in die soziale Vernetzung über sozioökonomische Grenzen hinweg. Für Ihre Analyse stellen wir Ihnen diesen Datensatz zur Verfügung.

  1. Lesen Sie den Datensatz social_capital_county.rds aus dem Unterordner “Daten” in R ein und nennen diesen Datensatz social_capital_county. Dieser Datensatz beinhaltet Variablen, welche von Facebook stammen und die Freundschaftsverbindungen einzelner Personen untereinander (aggregiert auf County-Ebene) darstellen.

Schränken Sie ihren Datensatz auf folgende Variablen ein:

  • county
  • ec_county
  • exposure_gpr_mem_county
  • bias_grp_mem_county
  • pop2018

Bitte beschreiben Sie die Variablen, nutzen Sie dafür die bereitgestellte Datei “social_capital_codebook.pdf”.

Beantworten Sie auch folgende Fragen:

  • Was ist eine Beobachtung?
  • Wie viele Counties sind in diesem Datensatz vorhanden? Wie viele Counties hat die USA?
  • In wie viel Prozent der Fälle haben Sie Informationen zu allen Variablen einer Beobachtung in dem vorliegenden Datensatz?

Hier bitte ihren Code und ihre Antwort eintragen

  1. Eine Beobachtung enthält: Den county FIPS code, Wirtschaftliche Verbundenheit, Durchschnittliche Exposition von niedrigen SES-Individuen gegenüber hohen SES-Individuen, den Bias, Bevölkerung 2018
  2. Es gibt 3089 counties.
  3. 95.14% der Daten des Datensatzes enthalten alle Variablen
  1. Weiterhin haben wir Ihnen den Datensatz county_covariates.dta im Unterordner “Daten” bereitgestellt, welcher unter anderem Daten aus dem Opportunity Atlas enthält und in Chetty et al. (2018) vorgestellt wird. Lesen Sie diese Daten in R ein und nennen Sie ihn covariates.

Schränken Sie diesen Datensatz auf die folgenden Variablen ein:

  • county
  • kfr_pooled_pooled_p25
  • gini99_simple

Generieren Sie eine neue Variable upward_mobility als kfr_pooled_pooled_p25*100. Löschen Sie weiterhin die Variable kfr_pooled_pooled_p25.

Bitte beschreiben Sie die Variablen in ihrem Datensatz, nutzen Sie dafür die bereitgestellte Datei “replication_package_README.pdf”.

Hinweis: Mit dem haven Paket können Sie .dta Dateien einlesen

Hier bitte ihren Code und ihre Antwort eintragen

county: ein nummerischer FIPS-Code, der zur eindeutigen Indentifikation von Regionen/Counties innerhalb der USA dient. gini99_simple: Der Gini-Koeffizient, der die Einkommensungleichheit innerhalb eines Countys misst. Die Werte reichen von 0 bis 1, dabei ist 1 die maximale Ungleichheit. upward_mobility: Die Variable misst die durchhschnittlichen Einkommen von Personen, die in den untersten 25% des Einkommenssprektrums aufgewachsen sind und wird mit 100 multipliziert. ——

  1. Um Karten wie bspw. in der Case Study zu erstellen, benötigen Sie Kartendaten in Form von Shapefiles (Endung .shp). In einer späteren Analyse sollen Sie die soziale Vernetzung und andere Variablen zwischen den Counties mittels einer Karte visualisieren. Hierzu benötigen Sie jedoch erst die nötigen Shapefiles, welche wir Ihnen im Unterordner “Daten” bereitgestellt haben (County_census_data.shp). Diese Daten haben wir mittels des Pakets tidycensus direkt von der amerikanischen Statistikbehörde IPUMS heruntergeladen. Neben den Geografischen Informationen der Counties sind auch noch weitere Daten enthalten.

Lesen sie die Daten County_census_data.shp in R ein und speichern diesen in R als county_census_shape ab. Neben den County Namen und und Polygonen enthält dieser Datensatz auch das geschätzte Median Einkommen pro County für das Jahr 2023 (medincE).

Hinweis: Achten Sie darauf eine numerische county Variable aus GEOID zu generieren

Hier bitte ihren Code eintragen

  1. Verbinden Sie die Dataframes county_census_shape, covariates und social_capital_county zu einem Datensatz analysis_data.
  • Welche Art von Join sollten sie hierbei verwenden? Warum gerade diesen Join?
  • Welcher Datensatz sollte der Hauptdatensatz sein? Warum?

Hier bitte ihren Code und ihre Antwort eintragen

Ein Left Join ist hier sinnvoll, da man mit einem Left Join sicherstellt, dass alle geografischen Informationen aus dem Hauptdatensatz county_census_shape im Ergebnis erhalten bleiben. Der Hauptdatensatz sollte covariates sein, da er die ökonomischen und sozialen Variablen enthält.

  1. Folgende Variablen werden Sie in diesem Projekt hauptsächlich nutzen:
  • upward_mobility
  • ec_county
  • exposure_gpr_mem_county
  • bias_grp_mem_county

Bevor Sie eine Analyse tätigen, sollten Sie sich überlegen, welche Erwartungen bzgl. der Zusammenhänge innerhalb der einzelnen Variablen Sie haben. Gehen Sie dabei auf folgende Fragen ein:

  • Was genau misst die wirtschaftliche Mobilität (upward_mobility) und die soziale Vernetzung (ec_county)? Warum sollte ein hoher Wert der sozialen Vernetzung auch potentiell gute ökonomische Aufstiegschancen, d.h. eine hohe wirtschaftliche Mobilität, mit sich bringen? Begründen Sie und benennen Sie explizit die Annahmen, die ihrer Begründung zugrunde liegen.
  • Bitte schauen Sie sich an, wie die sozialen Vernetzung (ec_county) berechnet wird. Was würden Sie erwarten, wie die Exposition (exposure_gpr_mem_county) und der Freundschafts-Bias (bias_grp_mem_county) die sozialen Vernetzung (ec_county) beeinflusst? Begründen Sie und benennen Sie explizit die Annahmen, die ihrer Begründung zugrunde liegen.

Hinweis: Die genaue Berechnung der sozialen Vernetzung (ec_county) finden Sie im Dokument “social_capital_codebook.pdf”

Hier bitte ihre Antwort eintragen

Die Wirtschaftliche Mobilität misst die Fähigkeit von Individuen, ihre ökonomische Situation zu verbessern und in höhere Einkommensklassen aufzusteigen. Sie zeigt, in welchem Maße Menschen in einem bestimmten Counties die Möglichkeit haben, wirtschaftlich erfolgreicher zu werden, unabhängig von ihrem ursprünglichen sozioökonomischen Hintergrund. Die Variable upward_mobility zeigt, wie gut Menschen in der Lage sind in verschiedenen Regionen ihre ökonomische Stellung zu verbessern und von einer höheren wirtschaftlichen Mobilität zu profitieren.
Die soziale Vernetzung misst die Stärke und Ausdehnung von sozialen Verbindungen innerhalb eines Counties, inbesondere über verschiedene sozioökonomischen Schichten hinweg. Eine hohe soziale Vernetzung bedeutet, dass Menschen in einem County mehr Kontakte über ihre eigene soziale Schicht hinaus haben. Ein hoher Wert der sozialen Vernetzung kann zu einer besseren wirtschaftlichen Mobilität führen, da Menschen aus verschiedenen sozioökonomischen Schichten in Verbindung kommen. Durch diese Verbindungen ensteht mehr Informationsaustausch, Karrierechancen und wirtschaftliche Möglichkeiten. Menschen aus niedrigeren sozialen Schichten haben dadurch eher Zugang zu Ressourcen, die normalerweise Menschen aus höheren sozialen Schichten vorbehalten sind. Außerdem können Menschen durch die Interaktion mit Menschen aus verschiedenen sozialen Schichten neue Perspektiven, Fähigkeiten und Verhaltensweisen, die ihre berufliche und wirtschaftliche Situation verbessern können lernen. Untersuchungen zeigen, dass Menschen die über starke Netzwerke verfügen, eher in der Lage sind von neuen beruflichen Chancen zu profitieren, weil Netzwerke als Kanäle für Informationsaustausch und Ressourcenmobilisierung benutzt werden kann.

Exposition: Diese Variable misst, wie stark Menschen mit Individuen aus unterschiedlichen sozioökonomischen Schichten in Kontakt kommen. Eine höhere Exposition Eine höhere Exposition deutet darauf hin, dass Menschen vermehrt mit anderen sozialen Gruppen interagieren, was zu einer stärkeren sozialen Vernetzung führt. Freundschafts-Bias: Diese Variable misst, wie stark Menschen bevorzugen Freundschaften mit anderen aus ihrer eigenen sozioökonomischen Schicht eingehen. Ein hoher Freundschafts-Bias deutet darauf hin, dass Menschen weniger über die Grenzen ihrer eigenen sozialen Schicht hinaus interagieren, was die soziale Vernetzung einschränken könnte. Wenn es eine hohe Exposition und ein geringen Wert des Freundschafts-Bias gibt, heißt es, dass der ec_county Wert steigt und dies heißt, dass es in der Region eine starke sozialen Vernetzung gibt.

Deskriptive Analysen

Nun haben Sie alle Daten zusammen, die Sie für die Analyse der soziodemographischen Zusammenhänge innerhalb der einzelnen Counties benötigen und können in ihre Analysen einsteigen.

  1. Schauen Sie sich in einem ersten Schritt an, wie die Variablen im Datensatz analysis_data über alle Counties verteilt sind. Konkret sollten Sie eine Tabelle erstellen, welche Informationen zu allen numerischen Variablen in ihrem Datensatz darstellt. Berechnen Sie zu jeder Variablen den Mittelwert, den Median, das Minimum, das Maximum, die Standardabweichung, sowie das 25%- und das 75%- Quantil bezogen auf alle Counties.

Beschreiben und interpretieren Sie Ihre Tabelle.

Bei welchen Variablen gibt es Auffälligkeiten? Gibt es Ausreißer nach oben oder unten?

Hinweis: Achten Sie auf eine schöne Darstellung ihrer Tabelle mittels der Pakete kableExtra oder gt!

Hier bitte ihren Code und ihre Antwort eintragen

Deskriptive Analyse von analysis_data
Variablenname Anzahl NaN-Einträge Vollständigkeit in % Mittelwert Standardabweichung Minimum 25%-Quantil Median 75%-Quantil Maximum
County 0 100.00 31374.52 16316.49 1001.00 19028.00 30023.00 46108.00 72153.00
Einkommensungleichheit 458 85.81 0.29 0.06 -0.06 0.24 0.29 0.33 0.57
Wirtschaftliche Mobilität 19 99.41 42.72 6.48 12.22 38.44 41.95 46.07 68.83
Median Haushaltseinkommen 18 99.44 64956.94 18342.48 16170.00 54088.00 63125.00 73051.00 178707.00
Economic Connectedness Index 209 93.52 0.81 0.18 0.29 0.70 0.81 0.94 1.36
Exposition 215 93.34 0.91 0.21 0.26 0.77 0.91 1.05 1.49
Freundschafts-Bias 215 93.34 0.06 0.05 -0.11 0.03 0.06 0.10 0.33
Bevölkerung 2018 244 92.44 108010.41 337782.56 544.00 12630.00 27887.00 72728.50 10098052.00

Die Tabelle gibt einen Überblick über die numerischen Variablen des Datensatzes. Zu den Variablen gehören County, Einkommensungleichheit, Wirtschaftliche Mobilität, Median Haushaltseinkommen, Economic Connectedness Index, Exposition, Freundschafts-Bias, Bevölkerung 2018. Für jede Variable werden Kennzahlen wie der Mittelwert, der Median, die Standardabweichung, das Minimum, das Maximum sowie die Quartile (25 %, 75 %) berechnet. Dazu werden noch die Anzahl NaN-Einträge und die Vollständigkeit in Prozent angezeigt.

Die Variable gini99_simple misst die Einkommensungleichheit in einem County. Der Mittelwert von 0,29 zeigt moderate Ungleichheit, und die Standardabweichung von 0,06 deutet auf geringe Streuung hin. Der Median liegt ebenfalls bei 0,29, was auf eine symmetrische Verteilung hinweist. Der höchste Wert von 0,57 zeigt erhebliche Ungleichheit in einigen Counties, was auf potenziell große wirtschaftliche Ungleichgewichte hinweist. Das 25%-Quantil liegt bei 0,24, was bedeutet, dass ein Viertel der Counties eine sehr geringe Einkommensungleichheit aufweisen. Das 75%-Quantil von 0,33 zeigt, dass 75 % der Counties eine Einkommensungleichheit von weniger als 0,33 haben, was im unteren bis mittleren Bereich der Ungleichheit liegt.

Die Variable upward_mobility misst die wirtschaftliche Mobilität. Der Mittelwert der Variablen liegt bei 42,72. Die Standardabweichung beträgt 6,48, zeigt dass es in den verschiedenen Counties eine gewisse Streuung in der wirtschaftlichen Mobilität gibt. Der Median von 41,95 bestätigt, dass die meisten Counties Werte nahe diesem Bereich aufweisen. Der Maximum von 68,83 zeigt, dass es auch Landkreise mit besonders hoher Mobilität gibt, während das Minimum von 12,22 auf Gebiete mit geringeren Aufstiegschancen hinweist. Da der Mittelwert (42,72) und der Median (38,44) nahe beieinander liegen, lässt sich darauf schließen, dass keine großen Ausreißer in den Daten erkennbar sind.

Die Variable medincE misst das Median-Haushaltseinkommen in den Counties. Der Mittelwert liegt bei 64.956,94. Die Standardabweichung von 18.342,48 zeigt eine hohe Streuung der Einkommen, was darauf hindeutet, dass es in den Counties signifikante Einkommensunterschiede gibt. Das Minimum von 16.170,00 und das Maximum von 178.707,00 verdeutlichen, dass es sowohl relativ arme als auch sehr wohlhabende Counties gibt. Das 25%-Quantil beträgt 54.088,00 und das 75%-Quantil 73.051,00. Der Median von 63.125,00 liegt nah am Mittelwert, was darauf hindeutet, dass die Einkommensverteilung symmetrisch ist, ohne starke Verzerrungen durch extreme Werte. Die Mehrheit der Counties hat Einkommen, die um diesen Wert liegen. Allerdings könnten die wenigen Counties mit sehr hohen Einkommen (wie das Maximum von 178.707) die Streuung der Daten erhöhen.

Die Variable ec_county misst die soziale Vernetzung innerhalb der einzelnen Counties. Der Mittelwert und der Median liegen bei 0.81, was auf eine symmetrische Verteilung der Werte und auf kaum Ausreißer hinweist. Die Standardabweichung von 0,18 zeigt eine kleine Streuung der Werte, was darauf hindeutet, dass es gewisse Unterschiede in der sozialen Vernetzung zwischen den Counties gibt, aber keine extremen Ausreißer. Das Minimum von 0,29 und das Maximum von 1,36 zeigen jedoch, dass es Counties mit einer besonders niedrigen sowie besonders hohen sozialen Vernetzung gibt. Das 25%-Quantil von 0,70 und das 75%-Quantil von 0,94 zeigen, dass die meisten Counties Werte zwischen diesen beiden Bereichen aufweisen, was darauf hindeutet, dass die soziale Vernetzung in den meisten Counties überwiegend im Bereich von 0,70 bis 0,94 liegt. Der Mittelwert von 0,91 stimmt mit dem Median überein, was darauf hinweist, dass keine ausgeprägten Ausreißer den Durchschnitt stark verzerren. Die Standardabweichung von 0,21, zeigt das geringe Streuung vorhanden ist. Das Minimum von 0,26 zeigt an, dass in einigen Counties die Exposition gegenüber dieser sozialen Gruppe sehr gering ist, während das Maximum von 1,49 darauf hinweist, dass in anderen Counties eine weitaus höhere Exposition besteht. Das 25%-Quantil von 0,77 und das 75%-Quantil von 1,05 zeigen, dass die Mehrheit der Counties eine Exposition in diesem Bereich hat. Die Variable bias_grp_mem_county misst den Grad des “Freundschafts-Bias”. Der Mittelwert und Median betragen 0,06. Das Minimum von -0,11 deutet darauf hin, dass es vereinzelt Counties gibt, in denen die Verzerrung negativ ist, d.h. die sozialen Netzwerke in bestimmten Gruppenzugehörigkeiten sind schwächer ausgeprägt. Der höchste Wert von 0,33 zeigt an, dass es in wenigen Counties eine stärkere Verzerrung gibt, jedoch gibt es nicht viele solche Ausreißer. Die Variable pop2018 misst die Bevölkerungszahl in den einzelnen Counties im Jahr 2018. Der Mittelwert beträgt 108.010,41, während der Median bei 27.887,00 liegt. Der deutliche Unterschied zwischen diesen beiden Werten deutet darauf hin, dass die Verteilung der Bevölkerungszahlen asymmetrisch ist. Die hohe Standardabweichung von 337.782,56 zeigt jedoch, dass es eine große Streuung gibt, was durch den maximalen Wert von 10.098.052 deutlich wird, der darauf hindeutet, dass es einige Counties mit sehr hoher Bevölkerungszahl gibt, während der minimale Wert von 544 auf sehr kleine Counties hinweist. ——

Soziale Vernetzung und wirtschaftliche Mobilität

Ihre Analyse der Daten aus Aufgabe 6 gibt ihnen schon ein erstes Bild über die Verteilung der einzelnen Variablen. Jedoch sollten Sie für ihre Analyse näheres über die soziale Vernetzung lernen, den Economic Connectedness Index (ec_county), welcher aus den Facebook Freundschaften generiert wurde. Die Daten des Economic Connectedness Index wurden auf County Ebene aggregiert, beruhen jedoch auf Freundschaftsdaten von individuellen Facebook Nutzern.

  1. Um sich ein Bild der sozialen Vernetzung auf County Ebene machen zu können, sollten Sie diese in einer Karte der USA darstellen. Beschreiben und interpretieren Sie die gezeigte Karte.

Gehen Sie bei ihrer Interpretation auch auf folgende Frage ein:

Welche Annahme müssen Sie machen, damit Sie gültige Aussagen zum Einfluss des Economic Connectedness Index auf die wirtschaftliche Mobilität tätigen können und Sie tatsächlich etwas über Freundschaftsnetzwerke lernen können?

Hinweis: Wenn Sie Karten der USA darstellen, dann empfiehlt sich das tigris Paket und der Befehl shift_geometry() um Alaska, Hawaii und Puerto Rico schön darstellen zu lassen.

Hier bitte ihren Code und ihre Antwort eintragen

Die Karte zeigt, von Counties aus der USA den Economic Connectedness Index. Der Economic Connectedness Index wurde aus den Facebook Freundschaften generiert und zeigen, soziale und wirtschaftliche Vernetzung innerhalb eines Counties. Der Der wird durch die Intensität der Farben angezeigt Economic Connectedness Index wird durch die Intensität der Farben angezeigt. Wobei grau aussagt, dass der Wert nicht vorhanden oder 0 ist. Die Punkte auf der Karte die eher lila sind haben einen geringeren Economic Connectedness Index, dies bedeutet, dass in diesen Counties eine geringere soziale und wirtschaftliche Vernetzung besteht. Zu sehen anhand der Karte ist das dies oft in ländlicheren Gebieten zu sehen ist. In ländlicheren Gebieten ist die soziale Vernetzung schwächer ausgeprägt. Dies könnte erklären, warum es in diesen Regionen möglicherweise schwieriger ist, soziale und wirtschaftliche Mobilität zu erreichen. Die Punkte auf der Karte die eher orange oder gelb sind haben einen höheren Economic Connectedness Index. Dies heißt, dass die soziale und wirtschaftliche Vernetzung da höher und besser ausgeprägt ist. In städtischen Gebieten ist der Index tendenziell stärker ausgeprägt, diese höhere Vernetzung könnte darauf hindeuten, dass Menschen in städtischen Gebieten stärker in soziale Netzwerke eingebunden sind, was in der Regel zu einer besseren Verfügbarkeit von Ressourcen, Unterstützung und Netzwerken führt, die ökonomischen Aufstieg ermöglichen. Alaska ist geographisch eher isoliert von der USA was die soziale Vernetzung und den Zugang zu überregionalen Wirtschaftsressourcen wertvoll machen könnte außerdem könnte dies auch auf lokale oder regionale Interaktion hindeutet. Hawaii hat als Inselgruppe im Pazifik, einen relativ hohen Index dies Könnte zum einer starken lokalen Gemeinschaft liegen. Und zum anderen an der Abhängigkeit am internationalen Handel und Wirtschaft könnte den Index positiv beeinflussen. Puerto Rico zeigt einen sehr geringen Index, dies liegt an der Politischen Stellung von Puerto Rico hat daher eine eigene soziale und wirtschaftliche Dynamik unabhängig von der USA. Annahme für die Gültigkeit der Analyse ist, dass ein höherer Economic Connectedness Index zu einer besseren wirtschaftlichen Mobilität führt. Das heißt, das die Freundschaften bei Facebook nicht nur sozialen Hintergrund hat sondern auch wirtschaftlichen, Das bedeutet, dass stärkere soziale Netzwerke Menschen helfen, wirtschaftliche Chancen zu nutzen, wie z.B. durch Jobangebote, Bildungsressourcen oder finanzielle Unterstützung. Die Annahme wäre also, dass soziale Netzwerke wirtschaftlichen Einfluss haben. ——

  1. Wie in der vorherigen Aufgabe zu sehen war, unterscheidet sich der Economic Connectedness Index in den einzelnen Counties doch deutlich voneinander. In einer ersten deskriptiven Analyse wäre es spannend zu sehen, ob der EC mit unterschiedlichen Variablen, welche den ökonomischen Aufstieg repräsentieren, zusammenhängt.

Hier sollen Sie in einem ersten Schritt die zehn Counties mit dem höchsten Economic Connectedness Index und die zehn Counties mit dem niedrigsten Economic Connectedness Index auflisten und folgende Variablen näher anschauen:

  • Median Haushaltseinkommen in dem County (medincE)
  • Wirtschaftliche Mobilität in dem County (upward_mobility)
  • Einkommensungleichheit in dem County (gemessen mit dem Gini-Koeffizient des Counties) (gini99_simple)

Erstellen Sie eine oder mehrere Tabelle um die Ergebnisse für die 20 Counties übersichtlich dazustellen.

Beschreiben und interpretieren Sie ihre Tabellen und gehen Sie auf die folgende Frage ein:

  • Haben Sie diese Unterschiede in den einzelnen Variablen erwartet? Begründen Sie warum, oder warum nicht.

Hier bitte ihren Code und ihre Antwort eintragen

Aufsteigend nach dem Economic Connectedness Index sortiert
County FIPS Einkommensungleichheit Wirtschaftliche Mobilität Median Haushaltseinkommen
1 46121 0.32266 30.17850 39148
2 46102 NA 24.84036 34769
3 13273 0.36427 31.16523 43812
4 1011 0.31482 34.56590 36723
5 45005 0.33154 31.40409 31603
6 37155 0.36248 32.09524 40318
7 13099 0.45567 33.82838 53750
8 45069 0.30707 32.81837 36293
9 13081 0.42409 32.88780 42745
10 37165 0.38709 31.07868 43500
11 33015 0.22538 45.31415 113927
12 8035 0.11621 48.24337 145737
13 6075 0.30963 50.38885 141446
14 49029 0.15350 54.12398 126092
15 16065 0.22434 51.53670 58259
16 51013 0.38696 46.28139 140160
17 34037 0.18298 47.03977 114316
18 27171 0.18420 49.54441 106666
19 8051 0.34658 48.71070 77358
20 8097 -0.01002 45.83353 100318

Die Tabelle zeigt, die zehn Counties mit den höchsten und niedrigsten Werten des Economic Connectedness Index hinsichtlich Einkommensungleichheit, wirtschaftlicher Mobilität und Median-Haushaltseinkommen. In der Tabelle hat Platz 20 des höchsten Index und Platz 1 den niedrigsten. Auffällig ist, dass die Counties mit einem niedrigen Index tendenziell eine höhere Einkommensungleichheit aufweisen, gemessen am Gini-Koeffizienten. Im Gegensatz dazu zeigen die Counties mit einem hohen Index deutlich geringere Ungleichheitswerte, teilweise sogar negative Werte, was auf eine sehr gleichmäßige Einkommensverteilung hindeutet. Auch bei der wirtschaftlichen Mobilität sind klare Unterschiede erkennbar. Während die Counties mit niedrigem Index meist Werte zwischen 24 und 34 aufweisen, liegen die Werte in den Counties mit hohem Index deutlich höher, oft zwischen 45 bis 50. Dies deutet darauf hin, dass eine stärkere soziale Vernetzung in diesen Regionen mit einer besseren wirtschaftlichen Mobilität einhergeht. Beim Median-Haushaltseinkommen zeigt sich ein ähnliches Bild. Die Counties mit niedrigem Index liegen häufig unter 50.000, während die Counties mit hohem Index Werte von über 100.000 aufweisen können. Dies deutet darauf hin, dass Regionen mit stärkerer sozialer Vernetzung sowohl eine höhere wirtschaftliche Mobilität als auch ein höheres durchschnittliches Einkommen aufweisen. Die Unterschiede in den einzelnen Variablen sind in teilweise zu erwarten, da frühere Aufgaben bereits zeigten, dass soziale Netzwerke eine wichtige Rolle für wirtschaftliche Chancen spielen. Ein höherer Economic Connectedness Index könnte auf stärkere soziale Verbindungen hinweisen, die den Zugang zu wirtschaftlichen Ressourcen, wie Jobangeboten, Bildungsressourcen oder finanzieller Unterstützung erleichtern. Daher sind die Unterschiede bei der wirtschaftlichen Mobilität und beim Haushaltseinkommen nachvollziehbar.

Aktuell haben Sie in einer univariaten Analyse viel über die soziale Vernetzung auf Basis von Facebook Daten gelernt. Doch was hat der Economic Connectedness Index mit tatsächlicher Entwicklungsmöglichkeit auf sich?

  1. In dieser Aufgabe sollten Sie eine Punktdiagramm (Scatter-Plot) erstellen, welches die wirtschaftliche Mobilität (upward_mobility) gegenüber dem Economic Connectedness Index darstellt. Diese Grafik sollte interaktiv gestaltet sein. Konkret sollte der Name des Counties zu sehen sein, wenn Sie über einen Punkt im Diagramm fahren. Fügen Sie Ihrer Grafik den Korrelationskoeffizient der zwei Variablen hinzu und zeichnen Sie eine Regressionsgerade durch die Punktewolke.

Beschreiben und interpretieren Sie ihre Grafik. Gehen Sie dabei insbesondere auf die folgende Frage ein:

  • Entspricht der Zusammenhang zwischen den zwei Variablen ihren Erwartungen aus Aufgabe 5?
  • In wie weit können Sie mit dieser Grafik die Frage “Wie stark beeinflussen soziale Netzwerke die wirtschaftliche Mobilität?” aus der Motivation beantworten?

Hinweis: Um interaktive Grafiken zu erstellen könnten Sie z.B. das plotly Paket, oder das ggiraph Pakte nutzen

Hier bitte ihren Code und ihre Antwort eintragen

Die Grafik zeigt den Zusammenhang zwischen dem Economic Connectedness Index (x-Achse) und der wirtschaftlichen Mobilität (y-Achse). Jeder Punkt repräsentiert ein County, und die eingefügte Regressionsgerade (rot) verdeutlicht den allgemeinen Trend zwischen den beiden Variablen. Es wird deutlich, dass es einen positiven, wenn auch schwachen Zusammenhang gibt. Mit steigendem Economic Connectedness Index nimmt die wirtschaftliche Mobilität tendenziell zu. Allerdings ist die Streuung der Datenpunkte recht groß. Vergleicht man diesen Zusammenhang mit den Erwartungen aus Aufgabe 5, zeigt sich, dass die Annahme eines positiven Einflusses des Economic Connectedness Index auf die wirtschaftliche Mobilität grundsätzlich bestätigt wird. Die leicht ansteigende Regressionsgerade unterstreicht, dass ein höherer Index tendenziell mit einer besseren wirtschaftlichen Mobilität einhergeht. Die Grafik zeigt, dass soziale Netzwerke, gemessen durch den Economic Connectedness Index, die wirtschaftliche Mobilität beeinflussen können. Der positive Zusammenhang deutet darauf hin, dass eine stärkere soziale Vernetzung wirtschaftliche Aufstiegschancen begünstigen könnte. Dennoch zeigt die Darstellung lediglich eine Korrelation und keine Kausalität. Zusammenfassend lässt sich sagen, dass die Grafik die Hypothese stützt, dass soziale Netzwerke eine Rolle bei der wirtschaftlichen Mobilität spielen. Der Zusammenhang ist jedoch nicht stark genug, um als alleiniger Faktor zu gelten, und sollte in weiterführenden Untersuchungen vertieft betrachtet werden.

  1. Erstellen Sie zwei weitere Punktediagramme, welche die 500 größten Counties nach Bevölkerungsgröße abtragen und zeigen Sie folgende Zusammenhänge auf (ohne Interaktivität):
  • Zusammenhang zwischen der Einkommensungleichheit (gemessen im Gini-Koeffizient) und dem Economic Connectedness Index
  • Zusammenhang zwischen dem Median Haushaltseinkommen und dem Economic Connectedness Index

Weiterhin sollten Sie die folgenden Counties in ihrem Diagramm hervorheben und benennen:

  • San Francisco County, California
  • Arlington County, Virginia
  • Morgan County, Utah
  • New York County, New York
  • Bronx County, New York

Beschreiben und interpretieren Sie ihre Grafiken. Gehen Sie dabei insbesondere auf folgende Frage ein:

  • Entspricht der Zusammenhang zwischen den zwei Variablen ihren Erwartungen aus Aufgabe 5? Erklären Sie.

Hier bitte ihren Code und ihre Antwort eintragen

Die erste Grafik zeigt den Zusammenhang zwischen der Einkommensungleichheit, gemessen durch den Gini-Koeffizienten (y-Achse), und dem Economic Connectedness Index (x-Achse) für die 500 bevölkerungsreichsten Counties. Es werden speziell San Francisco County, Arlington County, Morgan County, New York County, Bronx County hervorgehoben. Hier ist ein Zusammenhang erkennbar. Höhere Werte des Economic Connectedness Index sind in einigen Fällen mit einer höheren Einkommensungleichheit verbunden. Besonders auffällig sind die hervorgehobenen Counties.

Die zweite Grafik stellt den Zusammenhang zwischen dem Median-Haushaltseinkommen (y-Achse) und dem Economic Connectedness Index (x-Achse) dar. Hier wurden die gleichen Counties untersucht. Es zeigt sich ein klarer positiver Zusammenhang: Mit steigenden Index Werten nimmt auch das Median-Haushaltseinkommen zu.

In der ersten Grafik, die den Zusammenhang zwischen dem Gini-Koeffizienten und dem Economic Connectedness Index zeigt, war ein negativer Zusammenhang teilweise zu erwarten. Eine stärkere soziale Vernetzung kann die Chancengleichheit fördern und die Einkommensungleichheit reduzieren. Allerdings zeigt die hohe Streuung der Datenpunkte, dass soziale Netzwerke nicht der einzige Einflussfaktor auf die Ungleichheit sind. Abweichungen, wie bei New York County oder Bronx County, verdeutlichen, dass lokale Besonderheiten eine Rolle spielen.

Die zweite Grafik, die den Zusammenhang zwischen dem Median-Haushaltseinkommen und dem Economic Connectedness Index zeigt, entsprach den Erwartungen. Counties mit höherer sozialer Vernetzung verfügen tendenziell über ein höheres Median-Einkommen, was den positiven Einfluss sozialer Netzwerke auf wirtschaftliche Möglichkeiten bestätigt. Der Trend spiegelt diese Korrelation wieder.

Wie aus Aufgabe 9 hervorgeht ist die wirtschaftliche Mobilität stark mit dem Economic Connectedness Index korreliert. In den nächsten Aufgaben sollten Sie sich tiefer mit den Gründen dafür beschäftigen und sich im ersten Schritt die Korrelationen zwischen verschiedenen Variablen in ihrem Datensatz anschauen.

  1. Erstellen Sie in dieser Aufgabe eine Korrelationsmatrix, die Ihnen den Zusammenhang zwischen den folgenden Variablen aufzeigt:
  • Economic Connectedness Index (ec_county)
  • Wirtschaftliche Mobilität (upward_mobility)
  • Median Haushaltseinkommen (medincE)
  • Bevölkerung in 2018 (pop2018)
  • Einkommensungleichheit (gini99_simple)
  • Exposition (exposure_gpr_mem_county)
  • Freundschafts-Bias (bias_grp_mem_county)

Beschreiben und interpretieren Sie ihre Korrelationsmatrix.

Hier bitte ihren Code und ihre Antwort eintragen

Die Korrelationsmatrix zeigt die Stärke und Richtung der Beziehungen zwischen den analysierten Variablen. Auffällig ist, dass der Economic Connectedness Index (ECI) stark positiv mit der wirtschaftlichen Mobilität korreliert (Korrelation: 0.73). Dies deutet darauf hin, dass Regionen mit stärkerer sozialer Vernetzung in der Regel bessere Aufstiegsmöglichkeiten bieten. Auch der Zusammenhang zwischen dem ECI und dem Median-Haushaltseinkommen ist mit 0.63 signifikant, was bestätigt, dass wirtschaftlich wohlhabendere Regionen oft besser vernetzt sind.

Ein weiteres interessantes Ergebnis ist die starke negative Korrelation zwischen der Einkommensungleichheit und der wirtschaftlichen Mobilität (-0.60), was nahelegt, dass ungleichere Regionen geringere Chancen auf sozialen und wirtschaftlichen Aufstieg bieten. Die negative Beziehung zwischen der Einkommensungleichheit und dem ECI (-0.64) zeigt, dass sozial stärker vernetzte Regionen tendenziell gerechtere Einkommensverteilungen aufweisen.

Die Exposition weist eine moderate negative Korrelation mit dem Freundschafts-Bias auf (-0.38), was darauf hindeutet, dass in Regionen mit hoher Exposition der Bias in Freundschaften tendenziell geringer ist. Allerdings ist der Zusammenhang schwächer als erwartet, was darauf hindeutet, dass andere Faktoren eine wichtige Rolle bei der Bildung von Beziehungen über soziale Grenzen hinweg spielen.

Zusammenfassend lässt sich sagen, dass die soziale Vernetzung ein starker Indikator für wirtschaftliche Mobilität ist und durch Faktoren wie geringere Einkommensungleichheit und geringeren Freundschafts-Bias unterstützt wird. Die Ergebnisse stützen die Annahme, dass politische Maßnahmen, die die soziale Vernetzung fördern, auch die wirtschaftlichen Chancen in benachteiligten Regionen verbessern könnten.

Im nächsten Schritt sollten Sie sich anschauen, welche Rolle das Median Haushaltseinkommen in den Counties bei der wirtschaftlichen Mobilität spielt. Gibt es einen Unterschied des Effekts der sozialen Vernetzung zwischen Gutverdienern und weniger gut verdienenden?

  1. Zeigen Sie in einem Punktediagramm den Zusammenhang des Economic Connectedness Index (y-Achse) und dem Median Haushaltseinkommen in den einzelnen Counties. Färben Sie die einzelnen Datenpunkte nach der wirtschaftlichen Mobilität ein.

Beschreiben und interpretieren Sie ihre Grafik. Gehen Sie insbesondere darauf ein, ob er Effekt der sozialen Vernetzung für alle Einkommensgruppen gleich ist.

Hier bitte ihren Code und ihre Antwort eintragen

Die dargestellte Grafik zeigt einen klaren positiven Zusammenhang zwischen dem Economic Connectedness Index (y-Achse) und dem Median-Haushaltseinkommen (x-Achse), wobei die wirtschaftliche Mobilität durch die Farbskala repräsentiert wird. Generell lässt sich erkennen, dass Regionen mit einem höheren Median-Haushaltseinkommen tendenziell auch eine stärkere soziale Vernetzung aufweisen. Gleichzeitig steigt mit der sozialen Vernetzung häufig auch die wirtschaftliche Mobilität, was durch die helleren Farben in Bereichen mit hohem Einkommen und hoher Vernetzung deutlich wird.

Im unteren Einkommensbereich (links auf der x-Achse) zeigt sich eine geringere soziale Vernetzung, wobei Ausnahmen existieren, die darauf hindeuten, dass auch einkommensschwache Regionen unter bestimmten Bedingungen eine starke soziale Vernetzung aufbauen können. Mit steigendem Einkommen nimmt der Economic Connectedness Index deutlich zu, was darauf hinweist, dass wohlhabendere Regionen mehr Möglichkeiten zur sozialen Interaktion und Vernetzung bieten.

Auffällig ist jedoch, dass es im Bereich der höheren Einkommen (rechts auf der x-Achse) einige Regionen gibt, deren wirtschaftliche Mobilität trotz starker sozialer Vernetzung begrenzt bleibt. Dies könnte auf andere hemmende Faktoren hinweisen, wie kulturelle oder strukturelle Barrieren, die selbst in ökonomisch starken Regionen bestehen können.

Insgesamt bestätigt die Grafik die Hypothese, dass wirtschaftliche Ressourcen und soziale Vernetzung eng miteinander verbunden sind und zusammen die wirtschaftliche Mobilität fördern können. Gleichzeitig unterstreicht sie die Notwendigkeit, weitere Faktoren zu berücksichtigen, um regionale Unterschiede in der wirtschaftlichen Mobilität vollständig zu erklären.

  1. Die soziale Vernetzung ist in der bisherigen Analyse ein treibender Faktor für die wirtschaftliche Mobilität. Jedoch ist es durchaus möglich, dass nicht die soziale Vernetzung, sondern andere Faktoren den zu Grunde liegenden Effekt treiben und es sich bei dem Zusammenhang zwischen dem Economic Connectedness Index und der wirtschaftlichen Mobilität nur um einen Scheinzusammenhang handelt. So könnten z.B. Rückwärtskausalität, Selektionseffekte oder ausgelassene Variablen den gefundenen Zusammenhang erklären.

Um dem nachzugehen sollten Sie sich Chetty et al. (2022a), Seite 115-120 durchlesen und folgende Fragen beantworten:

  • Nehmen Sie Bezug auf die Rückwärtskausalität, den Selektionseffekt und die ausgelassenen Variablen. Wie könnten diese Faktoren einen scheinbaren Zusammenhang zwischen dem Economic Connectedness Index und der wirtschaftlichen Mobilität verursachen? Gehen Sie auf jeden Faktor separat ein.
  • In der explorativ und deskriptiv angelegten Analyse der Autoren lassen sich die Argumente bzgl. Rückwärtskausalität, Selektionseffekten und ausgelassener Variablen nicht vollständig ausschließen. Doch welche Argumente sprechen laut den Autoren dafür, dass es sich nicht um die genannten Faktoren handelt?
  • Finden Sie die Argumentation glaubhaft? Hätten Sie bedenken bei deren Argumentation? Wenn ja, was stört Sie daran?
  • Nehmen wir an Sie können sich die optimalen Bedingungen zusammenstellen, damit Sie tatsächlich einen kausalen Effekt der sozialen Vernetzung auf die wirtschaftliche Mobilität messen könnten. Wie würden diese Bedingungen ausgestaltet sein?

Hier ihre Antwort eintragen

Die Analyse von Chetty et al. diskutiert drei mögliche Faktoren – Rückwärtskausalität, Selektionseffekte und ausgelassene Variablen – die einen scheinbaren Zusammenhang zwischen dem Economic Connectedness Index (EC) und der wirtschaftlichen Mobilität erklären könnten. Rückwärtskausalität könnte auftreten, wenn die wirtschaftliche Mobilität selbst soziale Vernetzung fördert, etwa weil wirtschaftlich erfolgreiche Individuen eher in Regionen mit hoher sozialer Vernetzung ziehen. Dies würde bedeuten, dass Mobilität die Ursache und nicht die Folge der sozialen Vernetzung ist. Selektionseffekte spielen eine Rolle, wenn Menschen mit höherem sozioökonomischem Status gezielt Regionen auswählen, die bereits gut vernetzt sind, was die beobachtete Beziehung zwischen EC und Mobilität verzerren könnte. Ausgelassene Variablen wie Bildung, Infrastruktur oder lokale politische Maßnahmen könnten sowohl EC als auch die wirtschaftliche Mobilität beeinflussen, ohne dass es einen direkten Zusammenhang zwischen diesen beiden Variablen gibt.

Die Autoren argumentieren, dass sie durch den Einsatz von Kontrollvariablen und methodischen Ansätzen wie Fixed-Effects-Modellen die meisten dieser Probleme minimieren konnten. Rückwärtskausalität wird durch Zeitreihenanalysen adressiert, die zeigen, dass Veränderungen in der sozialen Vernetzung zeitlich vor Veränderungen der wirtschaftlichen Mobilität liegen. Selektionseffekte werden durch die Kontrolle von Migrationstrends und anderen individuellen Charakteristika berücksichtigt, was sicherstellt, dass die beobachteten Unterschiede nicht nur auf Bevölkerungsbewegungen beruhen. Ausgelassene Variablen wurden durch die Einbindung umfassender Kontrollvariablen wie Bildung und Einkommen adressiert. Selbst nach Berücksichtigung dieser Faktoren bleibt die Beziehung zwischen EC und wirtschaftlicher Mobilität signifikant, was die Robustheit der Ergebnisse unterstreicht.

Die Argumentation der Autoren ist überzeugend, da sie systematisch die häufigsten methodischen Herausforderungen adressieren. Allerdings ist es nahezu unmöglich, alle ausgelassenen Variablen vollständig auszuschließen, insbesondere solche, die schwer messbar oder unbekannt sind, wie kulturelle Werte oder informelle soziale Normen. Auch die Generalisierbarkeit der Ergebnisse könnte eingeschränkt sein, da die verwendeten natürlichen Experimente und spezifischen Kontrollvariablen nicht in allen Kontexten anwendbar sind.

Um den kausalen Einfluss der sozialen Vernetzung auf die wirtschaftliche Mobilität unter optimalen Bedingungen zu messen, könnte ein experimentelles Design mit zufälliger Zuweisung von Individuen zu Regionen mit unterschiedlichen EC-Werten besonders hilfreich sein. Eine solche randomisierte Verteilung würde sicherstellen, dass keine systematischen Unterschiede zwischen den Gruppen existieren, die die Ergebnisse verzerren könnten. Ergänzend könnten natürliche Experimente, etwa durch Veränderungen in Wohnungsbauprogrammen oder Bildungsinitiativen, dazu genutzt werden, die Auswirkungen von EC auf die Mobilität zu analysieren. Längsschnittstudien, die den sozialen und wirtschaftlichen Verlauf derselben Individuen über die Zeit beobachten, könnten ebenfalls helfen, die Kausalrichtung klarer zu bestimmen. Schließlich sollte ein mehrschichtiges Modell verwendet werden, das die Auswirkungen von EC auf individueller, kommunaler und regionaler Ebene untersucht, um ein umfassenderes Bild der sozialen und wirtschaftlichen Dynamik zu erhalten.

Einflussfaktoren auf die soziale Vernetzung

Wie Sie in Ihrer bisherigen Analyse gesehen haben scheint der Economic Connectedness Index einen großen Teil der wirtschaftlichen Mobilität innerhalb der Counties erklären zu können. Doch was sind die Treiber hinter einer hohen sozialen Vernetzung?

  1. Ein Treiber der sozialen Vernetzung könnte natürlich eine hohe Exposition (exposure_grp_mem_county) sein, d.h. wenn es viele gut verdienende Personen in einem County gibt. Anders herum: Wenn es in einigen Counties gar keine gut verdienende Personen gibt, dann gibt es keine Möglichkeit für mich, der dort lebt, Freunde aus einem hohen Einkommensdezil zu haben.

Um sich einen Überblick über die Exposition in den einzelnen Counties zu verschaffen sollten Sie im ersten Schritt die Verteilung der Exposition über die Counties hinweg auf einer Karte der USA zeigen.

Beschreiben Sie ihre Karte und vergleichen diese mit der Karte aus Aufgabe 7. Was fällt Ihnen auf? Trifft die Annahme bzgl. der Exposition zu?

Hier bitte ihren Code und ihre Antwort eintragen

Die Karte zeigt die geografische Verteilung der Exposition (das Maß für den Kontakt zwischen unterschiedlichen sozioökonomischen Gruppen) auf County-Ebene in den USA. Insgesamt wird deutlich, dass die Exposition in urbanen und wirtschaftlich stärker entwickelten Regionen – wie entlang der Ost- und Westküste sowie in der Nähe großer Städte – tendenziell höher ist. In ländlichen und weniger dicht besiedelten Gebieten, insbesondere im mittleren Westen, sind die Werte hingegen deutlich niedriger.

Im Vergleich zur Karte des Economic Connectedness Index (ECI) aus Aufgabe 7 zeigen sich sowohl Gemeinsamkeiten als auch Unterschiede. Während hohe Exposition häufig in Regionen mit hohem ECI zu finden ist, gibt es auch Fälle, in denen hohe Exposition nicht mit einer entsprechend hohen sozialen Vernetzung einhergeht. Dies verdeutlicht, dass Exposition zwar eine notwendige, aber keine hinreichende Bedingung für soziale Vernetzung ist. Wenn in einer Region ein hoher Freundschafts-Bias (Bias bei der Wahl von Freundschaften innerhalb derselben sozioökonomischen Gruppe) vorherrscht, können selbst hohe Expositionswerte nicht zu einer starken sozialen Vernetzung führen.

Die Ergebnisse zeigen, dass urbanisierte Gebiete durch ihre größere Vielfalt und Bevölkerungsdichte mehr Möglichkeiten für soziale Interaktionen zwischen verschiedenen sozialen Schichten bieten. Dennoch reichen diese Möglichkeiten allein nicht aus, um eine starke Vernetzung zu gewährleisten. Es bedarf auch eines geringen Freundschafts-Bias und gesellschaftlicher Offenheit, um die Exposition effektiv in soziale Verbindungen umzuwandeln.

Die Verteilung auf der Karte bestätigt, dass eine hohe Exposition ein wichtiger Baustein für die Förderung der sozialen Vernetzung ist, aber andere Faktoren wie kulturelle Einstellungen, strukturelle Gegebenheiten und politische Maßnahmen ebenfalls eine entscheidende Rolle spielen.

Jedoch bedeutet eine hohe Exposition nicht gleich auch automatisch höhere soziale Vernetzung mit Personen aus hohen Einkommensdezilen. Falls Personen aus den jeweiligen Einkommensdezilen lieber unter sich bleiben möchten und keine Freundschaften zu Personen aus niedrigeren Einkommensdezilen pflegen, dann wird es ebenso schwer soziale Vernetzungen eine hohe wirtschaftliche Mobilität zu erreichen.

  1. Um zu untersuchen ob es eine entsprechende Segregation der Freundschaftsgruppen gibt sollten Sie in dieser Aufgabe ein Punktediagramm erzeugen, welche auf der x-Achse die Exposition (exposure_grp_mem_county) und auf der y-Achse den Freundschafts-Bias (bias_grp_mem_county) abträgt. Weiterhin sollten Sie die einzelnen Punkte in dem Punktediagramm nach der Stärke der sozialen Vernetzung einfärben. Heben Sie die Counties “San Francisco County, California” und “Bronx County, New York” in ihr Grafik explizit heraus (z.B. durch eine Beschriftung) und gehen Sie in ihrer Interpretation auf diese zwei Counties ein.

Beschreiben und interpretieren Sie ihre Grafik, gehen Sie dabei insbesondere auf folgende Fragen ein:

  • Welchen Einfluss haben die Faktoren Freundschafts-Bias und Exposition auf die soziale Vernetzung (den Economic Connectedness Index)?

Hier bitte ihren Code und ihre Antwort eintragen

Die Grafik zeigt den Zusammenhang zwischen Exposition (x-Achse) und Freundschafts-Bias (y-Achse), wobei der Economic Connectedness Index (ECI) durch eine Farbskala dargestellt wird. Auffällig ist, dass bei steigender Exposition der Freundschafts-Bias tendenziell abnimmt, was darauf hindeutet, dass in Regionen mit mehr Kontaktmöglichkeiten zwischen sozioökonomischen Gruppen Vorurteile weniger ausgeprägt sein könnten. Dennoch gibt es Ausnahmen, bei denen trotz hoher Exposition der Freundschafts-Bias relativ hoch bleibt, was zu einem niedrigeren ECI führt.

Bronx County, New York hat eine Exposition von etwa 0.9, allerdings auch einen vergleichsweise hohen Freundschafts-Bias von rund 0.15. Dies führt zu einer moderaten sozialen Vernetzung, dargestellt durch die dunklere Farbgebung. Dies deutet darauf hin, dass die Kontaktmöglichkeiten in diesem County durch sozioökonomische oder kulturelle Barrieren eingeschränkt sein könnten.

San Francisco County, California weist hingegen eine deutlich höhere Exposition von etwa 1.5 und einen niedrigeren Freundschafts-Bias von fast 0 auf. Dies spiegelt sich in einem hohen ECI wider, der durch die hellere gelbe Farbgebung dargestellt wird. Die Kombination aus hoher Exposition und niedrigem Bias zeigt, dass hier soziale Interaktionen zwischen verschiedenen Gruppen wahrscheinlicher sind.

Die Verteilung der Datenpunkte verdeutlicht, dass Exposition allein nicht ausreichend ist, um eine starke soziale Vernetzung zu gewährleisten. Regionen mit niedrigem Bias und hoher Exposition haben tendenziell eine stärkere soziale Vernetzung, während Regionen mit hohem Bias unabhängig von der Exposition niedrigere Werte aufweisen.

  1. Welche (politischen) Maßnahmen könnten dazu beitragen, die soziale Vernetzung und damit die wirtschaftlichen Chancen in benachteiligten Regionen zu verbessern? Diskutieren Sie auf Basis ihrer Ergebnisse aus den Aufgaben 14 und 15.

Hier bitte ihre Antwort eintragen

Basierend auf den Ergebnissen aus Aufgabe 14 und Aufgabe 15 wird deutlich, dass die Verbesserung der sozialen Vernetzung (Economic Connectedness Index, ECI) nicht nur von der Exposition (Kontaktmöglichkeiten zwischen verschiedenen sozioökonomischen Gruppen) abhängt, sondern auch von der Reduzierung des Freundschafts-Bias (Tendenz, Freundschaften innerhalb derselben sozialen Gruppe zu schließen). Daher sollten politische Maßnahmen gleichzeitig darauf abzielen, die Exposition zu erhöhen und den Bias zu verringern, um wirtschaftlich benachteiligte Regionen zu unterstützen. Hier sind spezifische Maßnahmenvorschläge, die auf den Forschungsergebnissen basieren:

Maßnahmen zur Erhöhung der Exposition

Um die Kontaktmöglichkeiten zwischen verschiedenen sozialen Gruppen zu fördern, sollte die Exposition in wirtschaftlich schwachen und ländlichen Gebieten, die in der Karte aus Aufgabe 14 niedrigere Werte aufweisen, erhöht werden.

Förderung von gemischten Wohnvierteln: Der Bau von Sozialwohnungen in einkommensstarken Gegenden sowie die Schaffung von Wohnvierteln mit gemischten Einkommen können dazu beitragen, die Segregation zu verringern. Dies würde Menschen unterschiedlicher sozioökonomischer Hintergründe in engeren Kontakt bringen.

Investitionen in Verkehrs- und Infrastrukturprojekte: Die Anbindung von einkommensschwachen Regionen an städtische Zentren mit höherer Exposition sollte verbessert werden. Ein besserer Zugang zu Arbeitsplätzen, Schulen und kulturellen Angeboten in urbanen Regionen kann die Chancen für soziale Interaktionen erhöhen.

Diversität in Schulen und Arbeitsplätzen: Um die Exposition zu fördern, sollten Bildungseinrichtungen und Unternehmen Maßnahmen ergreifen, um eine größere Vielfalt zu schaffen. Schulen könnten Programme für den Austausch zwischen verschiedenen Stadtteilen einführen, während Unternehmen Anreize erhalten könnten, Mitarbeitende aus unterschiedlichen sozioökonomischen Hintergründen einzustellen.

Maßnahmen zur Reduzierung des Freundschafts-Bias

Aus Aufgabe 15 wird deutlich, dass in Regionen mit hohem Freundschafts-Bias, wie Bronx County, selbst hohe Expositionswerte nicht ausreichen, um starke soziale Netzwerke aufzubauen. Daher müssen Maßnahmen entwickelt werden, um Vorurteile und Barrieren zwischen sozialen Gruppen abzubauen.

Bildung und Sensibilisierungskampagnen: Öffentliche Kampagnen, Workshops und Schulprogramme könnten dazu beitragen, Vorurteile gegenüber einkommensschwachen Gruppen abzubauen. Dabei sollten die Vorteile von Diversität und die Bedeutung von sozialen Netzwerken betont werden.

Mentoring-Programme und interkulturelle Aktivitäten: Das Angebot von Mentoring-Programmen, bei denen Menschen aus unterschiedlichen sozialen Hintergründen zusammengebracht werden, könnte helfen, persönliche Beziehungen und gegenseitiges Verständnis zu fördern. Solche Programme könnten besonders in Schulen oder Gemeinden in Regionen mit hohem Bias eingeführt werden.

Nutzung digitaler Plattformen zur Förderung inklusiver Netzwerke: Digitale Plattformen könnten speziell darauf ausgelegt werden, Menschen aus unterschiedlichen sozialen Gruppen zu verbinden. Algorithmen könnten so gestaltet werden, dass sie Begegnungen über sozioökonomische Grenzen hinweg fördern, beispielsweise durch die Vermittlung von Mentoring-Partnerschaften oder Gruppenaktivitäten.

Kombinierte Maßnahmen für spezifische Regionen

Die Ergebnisse zeigen, dass Regionen wie San Francisco County durch niedrigen Bias und hohe Exposition hohe Werte im Economic Connectedness Index erreichen, während Regionen wie Bronx County aufgrund eines hohen Bias trotz höherer Exposition niedrigere Werte haben. Daher sollten Maßnahmen auf die spezifischen Bedürfnisse der Regionen abgestimmt werden: In Regionen mit niedriger Exposition sollten die Kontaktmöglichkeiten durch Infrastruktur- und Wohnungsbauprojekte priorisiert werden. In Regionen mit hohem Bias sollte der Schwerpunkt hingegen auf Bildungsprogrammen und der Förderung von interkulturellen Interaktionen liegen.

Gemeinschaftszentren als zentrale Anlaufstellen

Die Schaffung von Gemeinschaftszentren in benachteiligten Regionen kann eine entscheidende Rolle spielen. Diese Zentren könnten als Orte dienen, an denen Menschen unterschiedlicher sozialer Hintergründe zusammenkommen, gemeinsame Aktivitäten durchführen und soziale Netzwerke aufbauen können. Dies würde sowohl die Exposition erhöhen als auch den Freundschafts-Bias verringern.

Fokus auf integrierte Strategien

Die Ergebnisse aus Aufgabe 14 und 15 verdeutlichen, dass eine isolierte Erhöhung der Exposition oder eine alleinige Reduktion des Bias nicht ausreicht, um die soziale Vernetzung entscheidend zu verbessern. Eine Kombination aus Maßnahmen, die sowohl die Kontaktmöglichkeiten erhöhen als auch Vorurteile abbauen, ist entscheidend. Ziel ist es, benachteiligten Regionen die Möglichkeit zu geben, von den Vorteilen starker sozialer Netzwerke zu profitieren, und somit die wirtschaftliche Mobilität und soziale Fairness langfristig zu fördern.

Zusatzaufgabe

  1. Laden Sie die Daten zur Economic Connectedness, dem Freundschafts-Bias und der Exposition auf College Ebene von der folgenden URL herunter und lesen Sie diese Daten in R ein:

Hier können Sie die Daten auf College Ebene herunterladen

Hier bitte ihren Code eintragen

  1. Laden Sie Kartendaten auf ZIP-Code Ebene mit einer API von IPUMS herunter. Am einfachsten funktioniert dies mit dem R Paket tidycensus. Für den API Zugang müssen Sie sich erst bei IPUMS registrieren und können danach einen API Key beantragen, welchen Sie dann für den Daten download über das tidycencus Paket hinterlegen müssen.

Hinweis: Der Download von Shape-File Daten wird in der Vignette des R Pakets tidycensus sehr gut beschrieben. Dieser Issue auf GitHub ist nützlich um zu erfahren, wie Sie ZIP-Code Daten herunterladen können.

Hier bitte ihren Code eintragen

  1. Stellen Sie den Economic Connectedness Index des Colleges (ec_own_ses_college) auf ZIP-Code Ebene in einer US-Karte dar. Machen Sie ihre Karte interaktiv mit dem Paket leaflet.

Hier bitte ihren Code eintragen

  1. Erstellen Sie ein Punktediagramm auf College Ebene, welches den Zusammenhang zwischen dem Freundschafts-Bias und der Exposition beleuchtet auf College Ebene näher beleuchtet.

Tragen Sie dafür auf der x-Achse den Anteil von Studierenden mit gut verdienenden Eltern ab (exposure_parent_ses_college) und den Freundschafts-Bias unter den Studierenden (bias_parent_ses_college)

Heben Sie fünf Colleges ihrer Wahl in der Grafik hervor (inkl. Beschriftung).

Beschreiben und interpretieren Sie ihre Grafik. Gehen Sie insbesondere auf die fünf von Ihnen hervorgehobenen Colleges ein.

Hier bitte ihren Code und ihre Antwort eintragen

Literatur

Chetty, R., Friedman, J. N., Hendren, N., Jones, M. R., & Porter, S. R. (2018). The opportunity atlas: Mapping the childhood roots of social mobility (No. w25147). National Bureau of Economic Research. https://doi.org/10.3386/w25147

Chetty, R., Jackson, M.O., Kuchler, T. et al. Social capital I: measurement and associations with economic mobility. Nature 608, 108–121 (2022a). https://doi.org/10.1038/s41586-022-04996-4

Chetty, R., Jackson, M.O., Kuchler, T. et al. Social capital II: determinants of economic connectedness. Nature 608, 122–134 (2022b). https://doi.org/10.1038/s41586-022-04997-3